Resumen: Las investigaciones recientes sobre la efectividad de los modelos basados en la red neuronal gráfica (GNN) para la predicción de enlaces en gráficos de conocimiento (KGS) muestran que la agregación de vainilla no afecta significativamente el rendimiento del modelo. En este documento, presentamos un método novedoso, llamado Agrupación de contexto, para mejorar la eficacia de los modelos basados en GNN para las predicciones de enlaces en KGS. Para nuestro mejor conocimiento, la agrupación de contexto es la primera metodología que aplica la agrupación de gráficos en KGS. Además, la agrupación de contexto es la primera de su tipo para permitir la generación de gráficos específicos de consulta para entornos inductivos, donde las entidades de prueba no se ven durante el entrenamiento. Específicamente, diseñamos dos métricas, a saber, la precisión del vecindario y el retiro del vecindario, para evaluar la relevancia lógica de los vecinos con respecto a las consultas dadas, lo que permite la identificación integral posterior de solo los vecinos lógicamente relevantes para la predicción de enlaces. Nuestro método es genérico y se evalúa al aplicarse a dos modelos de vanguardia (SOTA) en tres conjuntos de datos públicos transductivos e inductivos, logrando el rendimiento de SOTA en 42 de 48 entornos.
Publicado Originalme en export.arxiv.org El 10 de julio de 2025.
Ver Fuente Original
